试验设备与方法不同材料的声发射信号特征是不同的，而相同材料同一种声发射源的信号具有相似的特征。要获得材料的氢致开裂声发射信号特征，就要研究材料在充氢作用下氢致裂纹发生、发展过程的声发射信号。据此，进行20R钢的电解充氢试验。
声发射监测结果20R低碳钢材料的能量-时间二维分布图如和所示。可以看出，声发射信号的发展变化大致有两个阶段：一个是早期的低幅度、低能量阶段，试验初期声发射信号能量-时间分布图试验后期声发射信号能量-时间分布图主要由A、B两种特征的信号组成，模式A是接通电路开始充氢后立即出现的，模式B是试验进行了约4h后产生的，其持续15min后，时隔3h又再次出现，然后其出现的时间间隔越来越短，持续时间逐渐变长；另一个是高幅度、大能量阶段，出现了C特征的信号，模式C在试验进行4d后产生，每次持续近10min，间隔1.5h左右重复出现。三种模式的典型信号参数见。三种模式的信号特征参数在幅度、能量、持续时间的差别较大，做出其频谱图后发现三类声发射信号的峰值频率范围均位于80180kHz，绝大部分能量都集中在50400kHz内，波形和频率分布没有显著区别。
试验结果分析有层的产生，且腐蚀层本身有开裂现象，经能谱分析获知其成分主要为FeS。当出现模式C的声发射信号后，试样2中止电解，在其充氢部位表面可见分布有数个直径在0.25.5mm的氢鼓包。对此试样的横截面作金相分析，可见试样内部有多条氢致裂纹产生，这表明模式C是由HIC的裂纹的氢鼓包形貌00生长而造成的。
氢致开裂模式识别由上述可知，整个试验阶段出现了三种有效声发射源A、B和C，其分别对应20R钢的腐蚀和电解充氢，材料表面FeS腐蚀层的开裂和脱落，以及氢致裂纹的生长。为了实现对声发射信号源性质的确定，采用人工神经网络对试验信号进行模式识别。
测试样本模式识别结果模式训练样本数识别为该类的数目ABC正确识别率/%A20153275.0B20216280.0C20141575.0由可见，经过训练的BP网络，可以较好的识别出材料氢致开裂的发展阶段，识别成功率在75%以上，如果典型信号的训练样本容量更大一些，模式识别的成功率将会更高。
结论（1）声发射技术对碳钢充氢过程的氢致开裂具有较高的监测灵敏度；（2）20R低碳钢的氢致裂纹声发射信号能量主要在78156kHz之间，通过金相检验等辅助检测手段的对比分析表明，材料氢致开裂发展的不同阶段对应着不同的声发射信号特点，声发射参数如幅度、持续时间与能量都会发生相应的变化；（3）利用小波能谱系数表征信号的特征，无需建立复杂的数学模型，又能直观的反映出声发射源信号的特征分布，作为人工神经网络的输入参数，能够较好的识别氢致开裂的发展模式，对于实际工程应用具有一定的指导意义。